7834-Article Text-15211-1-10-20190110

(1)

IDENTIFIKASI KUALITAS KESEGARAN SUSU SAPI MELALUI

PENGOLAHAN CITRA DIGITAL MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRIX DAN LOCAL BINARY PATTERN DENGAN

KLASIFIKASI K-NEARST NEIGHBOR

QUALITY IDENTIFICATION OF COW’S MILK FRESHNESS USING DIGITAL IMAGE PROCESSING METHOD OF GRAY LEVEL CO-OCCURRENCE MATRIX AND LOCAL BINARY PATTERN WITH K-NEARST NEIGHBOR CLASSIFICATION

Hamdan Gustiawidi¹, Dr. Ir. Bambang Hidayat, DEA², Prof. Dr. Ir. Sjafril Darana, S.U.³

1,2Prodi S1 Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom

3Prodi Ilmu Peternakan, Fakultas Peternakan, Universitas Padjajaran

1[email protected], ²[email protected]

Abstrak

Susu sapi merupakan zat pelengkap yang kaya akan nutrisi, diantaranya protein, lemak, vitamin, mineral dan karbohidrat. Tekstur yang cair dan berwana putih menjadi ciri khas. Sering dijumpai berbagai macam tempat mulai dari penjual pinggiran maupun di super market susu sapi dijual, akan tetapi banyak penjual yang mencampur dengan menambahkan air, pewarna dan pemanis buatan demi mendapat keuntungan yang lebih, sehingga kandungan gizi dan kualitas kesegarannya tidak sempurna lagi.

Pada permasalahan yang ada sukar bila bukan ahlinya untuk membedakan kemurnian susu sapi, biasanya konsumen hanya dapat mengenali melalui indra penglihatan dan penciuman. Dalam Tugas Akhir, dirancang suatu sistem untuk mempermudah konsumen mengetahui kemurnian susu sapi dengan campuran air menggunakan software Matrix Laboratory (MATLAB) melalui pengolahan citra digital.

metode ekstraksi ciri yang digunakan adalah Gray Level Co-Occurrence Matrix (GLCM) dan Local Binary Pattern (LBP) serta metode klasifikasi adalah K-Nearest Neighbor (K-NN). Dari hasil pengujian sistem menggunakan metode GLCM didapatkan akurasi sebesari 100% dan waktu komputasi 0,7777 detik.

Sedangkan menggunakan metode LBP didapatkan akurasi sebesar 97,5% dan waktu komputasi 0,7722 detik.

Kata kunci : Susu sapi, Gray Level Co-Occurrence Matrix, Local Binary Pattern, K-Nearest Neighbor

Abstract

Cow’s Milk is a complementary substance in food, which has a lot nutrition such as proteins, fats, vitamins, minerals and carbohydrates. The characteristic is liquid and white colored. It can found anywhere, from small traders untill the supermarkets. But some of the sellers mix and add water, dyes, and artificial sweeteners to get more profit, so it reduce the milk’s nutrition and the freshness.

The problem is it diffcult to know the freshness level of milk if not by the expert, the only way the consumer to know the freshness level by sight and smell. In this Final Assignment, a sistem created to help consumer know the cow milk freshness level by using Matrix Laboratory Software (MATLAB) using image processing method.

The feature extraction by using Gral Level Occurrence Matrix (GLCM) method and Local Binary Pattern (LBP) method and classified by K-Nearest Neighbor (K-NN). From the results of system testing using GLCM method obtained 100% accuracy and computation time 0.7777 second, While using the LBP method obtained accuracy of 97.5% and computing time 0.7722 second.

Keywords: Cow’s Milk, Gray Level Co-Occurrence Matrix, Local Binary Pattern, K-Nearest Neighbor

1. Pendahuluan

Susu merupakan salah satu minuman bergizi yang sering dikonsumsi oleh masyarakat Indonesia, mengingat harganya terjangkau dan memiliki nilai gizi baik, sehingga dapat menjadi penunjang asupan makanan bagi para konsumennya. Kandungan nutrisinya pun lengkap seperti protein, lemak, vitamin, mineral dan karbohidrat [1].

Ada beberapa macam jenis susu hewani diantaranya susu sapi, susu kambing, susu unta, dan susu kuda. Tetapi mayoritas masyarakat Indonesia mengonsumsi susu sapi bagi tuntutan hidupnya.

Susu sapi murni merupakan minuman primadona bagi kalangan masyarakat Indonesia, tidak heran setiap menjelang malam belakangan ini banyak pedagang di pinggiran jalan menjual susu sapi murni dengan variasi warna dan rasa. Akan tetapi semakin banyak konsumen semakin banyak pula produsen susu sapi murni yang melakukan kecurangan untuk mendapatkan keuntungan yang lebih besar dengan cara mencampur bahan pangan

(2)

lain seperti air, pewarna dan pemanis buatan agar volume susu sapi murni semakin banyak sehingga kualitas kesegaran dan gizi yang terkandung akan hilang [1].

Oleh karna itu dibutuhkan teknologi untuk memecahkan permasalahan tersebut agar konsumen dapat dengan mudah membedakan kualitas susu sapi murni yang akan dikonsumsi. Pada Tugas Akhir ini telah dirancang sistem pengolahan citra menggunakan software MATLAB yang dapat menganalisa kemurnian susu sapi melalui proses ekstraksi ciri yang selanjutnya dikelasifikasi untuk mengidentifikasi kelas susu sapi murni dan susu sapi dengan campuran air sebanyak 25 ml, 50 ml, 75 ml dari total keseluruhan 100 ml. metode ekstraksi ciri yang digunakan adalah Gray Level Co-Occurrence Matrix (GLCM) dan Local Binary Pattern (LBP) serta metode klasifikasi adalah K-Nearest Neighbor (K-NN).

2. Tinjauan Pustaka 2.1 Susu Sapi

Susu sapi merupakan bahan pangan yang sangat digemari oleh penduduk indonesia yang berasal dari hasil pemerahan ambing induk sapi. Tidak heran banyak olahan susu sapi dijual dikarnakan memiliki tingkatan nutrisi yang lebih tinggi dibandingkan dengan olahan dari susu lainnya [1]. Ada beberapa jenis susu sapi dengan pengolahan yang berbeda-beda diantaranya [1]:

1. Susu segar

Cairan yang berasal dari ambing sapi sehat dan bersih, yang diperoleh dengan cara pemerahan yang benar, yang kandungan alaminya tidak dikurangi atau ditambah sesuatu apapun dan belum mendapat perlakuan apapun kecuali pendinginan [5].

2. Susu Pasteurisasi

Merupakan susu yang sudah mengalami proses pemanasan pada suhu 63ºC - 66ºC dengan waktu kurang lebih 30 menit.

3. Susu Ultra High Temperature (UHT)

Merupakan susu segar yang sudah melewati proses sterilisasi dengan suhu diantara 135ºC - 145ºC selama 2 sampai 5 detik tanpa mencampur bahan pengawet dan pewarna.

2.2 Konsep Citra Digital

Citra digital merupakan salah satu bentuk representatif dari sebuah gambar atau vidio yang di tangkap oleh kamera selanjutnya akan diambil sampel dari titik gambar dan dikuantisasi ke dalam bentuk nilai diskrit.

Pada komputer citra digital digambarkan dalam bentuk matriks dengan fungsi dua dimensi dimana f(x,y) adalah nilai intensitas cahaya dengan rentan 0 – 255, x dan y merupakan nilai dari koordinat pada suatu citra, (x,y) yaitu nilai kecerahan pada suatu gambar keabuan (grayscale). Dapat dinyatakan dalam bentuk Persamaan 0 ≤ 𝑓(𝑥, 𝑦) < ∞

Dimana fungsi f menggambarkan bentuk matriks 2 dimensi baris dan kolom (MxN).

𝑓(𝑥, 𝑦) =

[

𝑓(0,0) 𝑓(0,1) ⋯ 𝑓(0, 𝑀 − 1) 𝑓(1,0) 𝑓(1,1) ⋯ 𝑓(1, 𝑀 − 1) 𝑓(2,0) 𝑓(2,1) … 𝑓(2, 𝑀 − 1)

… … … …

𝑓(𝑁 − 1,0) 𝑓(𝑁 − 1,1) ⋯ 𝑓(𝑁 − 1, 𝑀 − 1)]

Pada Persamaan diatas digambarkan sebuah citra digital dimana M merupakan baris pada matriks dua dimensi dan N merupakan kolom pada matriks.

2.3 Gray Level Co-Occurrence Matrix (GLCM)

GLCM adalah salah satu metode analisa tekstur pada citra RGB untuk mendapatkan nilai ciri statistik pada citra keabuan yang akan diproses dengan cara menghitung terlebih dahulu sudut dan jaraknya serta menganalisa seberapa sering nilai perbedaan kombinasi kecerahan tiap piksel yang muncul pada sebuah citra [7]. Sudut orientasi dan relasi jarak pada metode ini yaitu 0°, 45°, 90°, 135°. Proses ekstraksi dari metode ini meliputi

1. Quantization

Merupakan proses pemberian level nilai pada citra grayscale dengan rentang 0 – 255 pada citra keabuan.

untuk mempermudah proses perhitungan pada matriks dan meringankan proses komputasi.

2. Co-occurrence

Co-onccurrence adalah kejadian secara bersama antara nilai level intensitas piksel bertetangga dengan jarak (d) dan orientasi sudut (θ) dapat dinyatakan menjadi (d, θ). Dengan besar nilai interval sudut masing- masing 45 derajat

(2.1)

(3)

3. Symmetric

Proses kemunculan matriks dengan posisi piksel sama dimana hasil ini akan didapatkan melalui penjumlahan antara matriks co-onccurrence dengan matriks co-onccurrence transpose

4. Normalization

Proses dimana hasil dari matriks symmetric dibagi dengan total jumlah nilai pada matriks tersebut 5. Feature extraction

Pada tahap ini yaitu proses ekstraksi ciri berdasarkan fitur objek yang akan dianalisa, pada Tugas Akhir ini menggunakan fitur kontras, korelasi, energi, dan homogenitas [7] [10]:

 Kontras

Banyaknya jumlah intensitas keabuan dalam citra.

𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = ∑ 𝑃_𝑖,𝑗(𝑖 − 𝑗)²

𝑁−1

𝑖,𝑗=0

 Korelasi

Merupakan hubungan antra piksel satu dengan piksel tetangga dalam citra.

𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 = ∑ 𝑃_𝑖,𝑗(𝑖 − 𝜇_𝑖) + (𝑗 − 𝜇_𝑗)

√(𝜎_𝑖²)(𝜎²_𝑗)

𝑁−1

𝑖,𝑗=0

 Energi

Nilai energi merupakan nilai seberapa mirip suatu citra dengan kelasnya itunjukan dengan nilai paling besar. Nilai ini muncul ketika tekstur citra cenderung seragam.

𝐸𝑛𝑒𝑟𝑔𝑦 (𝐴𝑆𝑀) = ∑ (𝑃_𝑖,𝑗)²

𝑁−1

𝑖,𝑗=0

 Homogenitas

Merupakan nilai inverse dari nilai kontras GLCM sering disebut nilai keseragaman pada intensitas keabuan citra.

𝐻𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑖𝑡𝑦 = ∑ 𝑃_𝑖,𝑗 1 + (𝑖 − 𝑗)²

𝑁−1

𝑖,𝑗=0

2.4 Local Binary Pattern (LBP)

Local Binary Pattern (LBP) adalah metode untuk analisa tekstur pada citra keabuan yang akan dirubah ke dalam bentuk nilai integer. parameter LBP (8,1) dimana P = 8 dan R = 1. P adalah jumlah piksel ketetanggaan dan R adalah nilai piksel radius titik tengah dengan nilai piksel ketetanggaannya [11].

Gambar 2.1 Parameter LBP (8,1)

Gambar 2.2 adalah proses perhitungan untuk mencari nilai LBP:

(2.2)

(2.3)

(2.4)

(2.5)

(4)

Binary Parttern = 00011111

X

LBP = (1×1) + (1×2) + (1×4) + (1×8) + (1×16) + (0×32) + (0×64) + (0×128) = 31

Gambar 2.2 Mencari Nilai LBP

2.5 K-Nearest Neighbor (K-NN)

K-Nearest Neighbor (K-NN) adalah metoda untuk klasifikasi suatu objek data uji. Dengan memperhatikan nilai ketetanggaan berdasarkan fungsi pola jarak dan kesamaan pada objek tertentu. Klasifikasi algoritma ini akan menentukan keanggotaan kelas dengan nilai ketetanggaan yang paling tinggi. Pada penelitian ini menggunakan beberapa distance diantaranya:

1. Euclidean Distance

Merupakan persamaan untuk menghitung nilai jarak antara 𝑋_𝑖 dan 𝑌_𝑖.

𝑑_𝑠,𝑡 = √∑ (𝑋_𝑠𝑖− 𝑌_𝑡𝑖)²

𝑛 𝑖=1

2. Cityblock

Pada cityblock nilai jarak antara 𝑋_𝑖 dan 𝑌_𝑖 diperoleh dari hasil penjumlahan antara jarak vertikal dan horizontal yang terbentuk antara data latih dan data uji.

𝑑_𝑠,𝑡= ∑^𝑛 |𝑋_𝑠𝑖− 𝑌_𝑡𝑖|

𝑖=1

3. Cosine Distance

Jarak yang dibentuk antara 2 vektor kemudian diukur berdasarkan sudut.

𝑑_𝑠,𝑡= 1 − 𝐶𝑜𝑠𝜃 𝐶𝑜𝑠𝜃 = 𝑋_𝑠𝑋_𝑡

|𝑋_𝑠||𝑋_𝑡|

3. Perancangan Sistem 3.1 Diagram Blok Sistem

Sistem yang telah dirancang untuk identifikasi kualitas kesegaran susu sapi murni berdasarkan tekstur ini memiliki dua citra inputan yang terdiri dari citra latih dan citra uji yang akan melewati beberapa tahap. Tahap pertama yaitu tahap latih, citra latih akan diproses kemudian disimpan pada database sistem sebagai bentuk representatif proses klasifikasi. Tahap kedua yaitu tahap uji dimana citra uji akan melewati beberapa proses sehingga didapatka ciri uji dan selanjutnya akan dikelompokan terhadap ciri latih yang telah disimpan pada database sistem sehingga didapatkan kelasnya.

(5)

Citra Uji

Ekstraksi Ciri Citra Uji

Mulai

Akuisisi Citra

Pre-processing

Ciri Uji

Klasifikasi Data baru

Hasil Klasifikasi

Selesai Database

Citra Latih

Ekstrasi Ciri Citra Latih Mulai

Akuisisi Citra

Pre-processing

Ciri Latih

Selesai

Gambar 3.1 Diagram Blok Sistem

3.2 Akuisisi Citra

Akuisisi merupakan suatu proses untuk mendapatkan citra digital berupa data uji dan data latih. Data ini diperoleh dari objek susu sapi yang dianalisa dengan cara dijatuhkan pada alas akrilik dengan latar hitam menggunakan pipet dengan ketinggian 5 cm. Hasil tersebut lalu ditangkap oleh kamera digital berupa format gambar RAW. Dengan merubah hasil gambar kedalam fromat *.jpg sehingga dapat diproses pada sistem yang dirancang.

3.3 Pre-processing

Pre-processing merupakan langkah awal mempersiapkan citra digital yang akan diproses pada sistem yang dirancang. Hasil citra digital dari proses akuisisi citra dilakukan konversi citra RGB to Grayscale, resize dan cropping sehingga dapat diolah pada system

3.4 Ekstraksi Ciri

Ekstraksi ciri adalah porses pengambilan ciri latih dan ciri uji pada citra susu sapi untuk mendapatkan nilai karakteristik masing-masing citra. Pada sistem ini menggunakan metode ekstraksi GLCM dan LBP dimana ekstraksi ciri pada metode GLCM menggunakan parameter jarak = 1, level kuantisasi = 8, nilai sudut = 0°, 45°, 90°, 135° dan feature extraction yang terdiri dari kontras, korelasi, energi, dan homogenitas. Sedangkan pada metode LBP menggunakan parameter resize = 0.5, nilai radius = 3 dan nilai jumlah sampling poin.

3.5 Klasifikasi

Tahap klasifikasi yaitu proses pengelompokan ciri uji terhadap ciri latih susu sapi. Pada tahap klasifikasi menggunakan metode K-NN dimana sistem akan mengidentifikasi kelas susu sapi murni dan susu sapi yang telah dicampur dengan air sebanyak 25 ml, 50 ml dan 75 ml menggunakan parameter jarak euclidean, cosine, cityblock, correlation dengan masing-masing nilai K sama dengan 1, 2, 5 dan 7.

4. Hasil dan Analisa

Pada pengujian sistem ini menggunakan citra susu sapi dengan total 80 citra latih dan 40 citra uji yang memiliki empat kelas yaitu susu sapi murni 75 ml dicampur air 25 ml kelas “campuran air 25%, susu sapi murni 50 ml dicampur air 50 ml kelas “campuran air 50%, susu sapi murni 25 ml dicampur air 75 ml kelas “campuran air 75%”

dan susu sapi murni tanpa campuran air kelas “Murni”. Adapun beberapa skenario pengujian pada sistem:

4.1 Pengujian Metode GLCM dan LBP menggunakan klasifikasi euclidean distance

Pada sekenario pertama, dilakukan pengujian akurasi dan waktu komputasi pengaruh kelasifikasi jenis euclidean distance dengan merubah nilai parameter K. Dalam pengujian ini menggunakan nilai K = 1, K = 2, K

= 5 dan K = 7. Pada metode GLCM citra susu diekstraksi menggunakan sudut 0°, 45°, 90°, 135°, d = 1, dan level kuantisasi = 8 dengan nilai feature kontras, korelasi, homogenitas, energi dan Pada metode LBP citra susu diekstraksi menggunakan parameter riseze = 0,35, nilai radius (R) = 3 , jumlah pixel (P), dengan feature nilai

(6)

histogram. Dimana hasil pengujian ini ditunjukan pada Tabel 4.1 dibawah ini:

Tabel 4.1 Akurasi pengujian menggunakan euclidean distance GLCM

K = 1 K = 2 K = 3 K = 5 K = 7

Data

Benar Akurasi Data

Benar Akurasi

35 87.5% 32 80% 35 87.5% 35 87.5% 36 90%

LBP Data

Benar Akurasi Data

Benar Akurasi

38 95% 36 90% 36 90% 36 90% 35 87.5%

Tabel 4.2 Waktu Komputasi menggunakan euclidean distance GLCM

Waktu Komputasi

K = 1 K = 2 K = 3 K = 5 K = 7 0,7634 0,7790 0,7850 0,7785 0,7785

LBP Waktu Komputasi

K = 1 K = 2 K = 3 K = 5 K = 7 0,8233 0,7754 0,7766 0,7750 0,773 4.2 Pengujian Metode GLCM dan LBP menggunakan klasifikasi cosine distance

Pada sekenario kedua, dilakukan pengujian akurasi dan waktu komputasi pengaruh kelasifikasi jenis cosine distance dengan merubah nilai parameter K. Dalam pengujian ini menggunakan nilai K = 1, K = 2, K = 5 dan K = 7. Pada metode GLCM citra susu diekstraksi menggunakan sudut 0°, 45°, 90°, 135°, d = 1, dan level kuantisasi = 8 dengan nilai feature kontras, korelasi, homogenitas, energi dan Pada metode LBP citra susu diekstraksi menggunakan parameter riseze = 0,35, nilai radius (R) = 3 , jumlah pixel (P), dengan feature nilai histogram.

Dimana hasil pengujian ini ditunjukan pada Tabel 4.2 dibawah ini:

Tabel 4.3 Akurasi pengujian menggunakan cosine distance GLCM

K = 1 K = 2 K = 3 K = 5 K = 7

Data

Benar Akurasi Data

Benar Akurasi

33 82.5% 30 75% 31 77.5% 32 80% 33 82,5%

LBP Data

Benar Akurasi Data

Benar Akurasi

39 97.5% 38 95% 38 95% 37 92.5% 36 90%

(7)

Tabel 4.4 Waktu Komputasi menggunakan cosine distance GLCM

Waktu Komputasi

K = 1 K = 2 K = 3 K = 5 K = 7 0,7868 0,7683 0,7914 0,7824 0,7636

LBP Waktu Komputasi

K = 1 K = 2 K = 3 K = 5 K = 7 0,8047 0,7748 0,8007 0,7709 0,7995 4.3 Pengujian Metode GLCM dan LBP menggunakan klasifikasi cityblock distance

Pada sekenario kedua, dilakukan pengujian akurasi dan waktu komputasi pengaruh kelasifikasi jenis cosine distance dengan merubah nilai parameter K. Dalam pengujian ini menggunakan nilai K = 1, K = 2, K = 5 dan K = 7. Pada metode GLCM citra susu diekstraksi menggunakan sudut 0°, 45°, 90°, 135°, d = 1, dan level kuantisasi = 8 dengan nilai feature kontras, korelasi, homogenitas, energi dan Pada metode LBP citra susu diekstraksi menggunakan parameter riseze = 0,35, nilai radius (R) = 3 , jumlah pixel (P), dengan feature nilai histogram.

Dimana hasil pengujian ini ditunjukan pada Tabel 4.2 dibawah ini:

Tabel 4.5 Akurasi pengujian menggunakan cityblock distance GLCM

K = 1 K = 2 K = 3 K = 5 K = 7

Data

Benar Akurasi Data

Benar Akurasi

36 90% 32 80% 35 87.5% 40 100% 34 95%

LBP Data

Benar Akurasi Data

Benar Akurasi

39 97.5% 37 92.5% 39 97.5% 38 95% 36 90%

Tabel 4.4 Waktu Komputasi menggunakan cityblock distance GLCM

Waktu Komputasi

K = 1 K = 2 K = 3 K = 5 K = 7 0,7652 0,7741 0,7889 0,7777 0,7870

LBP Waktu Komputasi

K = 1 K = 2 K = 3 K = 5 K = 7 0,7722 0,7742 0,7879 0,8700 0,7856 5. Kesimpulan

Dari hasil pengujian dan analisa sistem yang telah dirancang, maka dapat diambil beberapa kesimpulan sebagai berikut:

1. Metode ekstraksi ciri GLCM dan LBP dengan klasifikasi K-NN dapat diimplementasikan untuk menganalisa serta melakukan identifikasi citra susu sapi murni dan susu sapi yang telah dicampur air.

2. Parameter yang digunakan pada metode GLCM adalah level kuantisasi = 8, jarak = 1, sudut 0°, 45°, 90°, 135° dan Feature ekstraksi ciri yang digunakan diantaranya kontras, energi, homogenitas dan korelasi, sedangkan parameter pada metode LBP adalah jumlah samping point (P) = citra grayscale, resize = 0.35,

(8)

radius (R) = 3 dan feature ekstraksi pada metode LBP merupakan nilai histogram pada data latih dan data uji. Masing-masing metode ekstraksi ciri tersebut menggunakan parameter K-NN dengan nilai K = 1, K

= 2, K = 3, K = 5, K = 7 dan jenis distance cityblock, cosine dan correlation.

3. Pada hasil pengujian, ekstraksi ciri metode GLCM memiliki akurasi sebesar 100% lebih tinggi dibandingkan menggunakan metode LBP yang memiliki akurasi sebesar 97.5%.

4. Waktu komputasi yang diperoleh menggunakan metode LBP sebesar 0,7722 detik lebih baik dibandingkan menggunakan metode GLCM sebesar 0,7777 detik.

6. Saran

Sistem identifikasi kualitas kesegaran susu sapi melalui pengolahan citra digital ini masih dapat dikembangkan lebih lanjut, sehingga dapat diimplementasikan dikalangan masyarakat. Oleh karena itu, adapun saran untuk pengembangan penelitian selanjutnya :

1. Mencari metode lain untuk dapat membandingkan hasil dan tingkat kesukaran dalam melakukan proses pre-poresising, ekstraksi ciri, dan klasifikasi pada program identifikasi kualitas kesegaran susu sapi.

2. Diharapkan untuk penelitian selanjutnya dapat melalukan identifikasi jenis-jenis susu lainnya.

3. Diharapkan dapat digunakan secara real time.

4. Diharapkan dapat dikembangkan dan diimplementasikan pada smartphone.

7. Daftar Pustaka

[1] S. Usmiati dan A. Bakar, “Teknologi Penanganan dan Pengamanan Susu Segar,” Seminar Nasional Hari Pangan Sedunia XXVII, 2007.

[2] H. M. Ahmad, Identifikasi dan Klasifikasi Kemurnian Susu Sapi Berdasarkan Pemprosesan Sinyal Video Dengan Metode Gabor Wavelet dan Support Vector Machine, Bandung: Telkom University, 2017.

[3] D. S. Auladi, Identifikasi dan Klasifikasi Kemurnian Susu Sapi Berdasarkan Pemprosesan Sinyal Video Menggunakan Metode Local Binary Pattern (LBP) dan Learning Vector Quantization, Bandung: Telkom University, 2017.

[4] N. A. P. Putri, Identifikasi dan Klasifikasi Kemurnian Susu Sapi Berdasarkan Pemprosesan Sinyal Menggunakan Metode Discrete Wavelet Transform (DWT) dan Learning Vector Quantization (LVQ), Bandung: Telkom University, 2017.

[5] BSNI, “Susu Segar,” Jakarta, Badan Standarisasi Nasional, 2011, p. 10.

[6] C. Solomon dan T. Breckon, Fundamentals of Image Processing - A Practical Approach with Examples in Matlab, USA: Wiley Online Library, 2011.

[7] K. N. N. Hlaing dan n. K. Gopalakrishnan, “Myanmar Paper Currency Recognition Using GLCM and k- NN,” Second Asian Conference on Defence Technology (ACDT), p. 6, 2016.

[8] R. K. Salsabiilaa, Deteksi Kualitas dan Kesegaran Telur Ayam Berdasarkan Deteksi Objek Transparan Dengan Metode Grey Level Co-occurrence Matrix (GLCM) dan Klasifikasi K-Nearest Neighboar (KNN), Bandung: Telkom University, 2017.

[9] R. A. Surya, “Ekstraksi Ciri Metode Gray Level Co-Occurrence Matrix (GLCM) dan Filter Gabor Untuk Klasifikasi Citra Batik Pekalongan,” Jurnal Pengembangan IT (JPIT), vol. II, no. 2, p. 4, 2017.

[10] MathWorks, “Texture Analysis Using the Gray-Level Co-Occurrence Matrix (GLCM),” The MathWorks, Inc., 1994. [Online]. Available: https://www.mathworks.com/help/images/texture-analysis-using-the-gray- level-co-occurrence-matrix-glcm.html. [Diakses 1 November 2017].

[11] M. A. Rahim, M. N. Hossain dan T. Wahid, “Face Recognition using Local Binary Patterns (LBP),” Global Journal of Computer Science and Technology, vol. XIII, no. 4, p. 9, 2013.

[12] G. Meirinda, Deteksi Kualitas dan Kesegaran Telur Ayam Negeri Berdasarkan Segmentasi Warna Menggunakan Metode Fuzzy Color Histogram (FCH) dan Histogram Equalization Dengan Klasifikasi K- Nearest Neighbor (K-NN) Pada Citra, Bandung: Telkom University, 2016.

[13] K. Chomboon, “An Empirical Study of Distance Metrics for k-Nearest Neighbor Algorithm,” Proceedings of the 3rd International Conference on Industrial Application Engineering, pp. 1-6, 2015.

[14] Abdul, Kadir. Adh,. Susanto, Teori dan Aplikasi Pengolahan Citra, Yogyakarta: Andi, 2013.

[15] P. Cunningham dan S. J. Delany, “k-Nearest neighbour classifiers,” Technical Report UCD-CSI, vol. IV, pp. 1-18, 2007.